[发明专利]一种网络模型训练方法、装置及存储介质

权利要求书

1.一种用于图像语义分割的网络模型训练方法，其特征在于，包括：

获取携带有标注的样本数据，所述样本数据为CT扫描的体数据，对应的标注为血管体标注；

利用所述样本数据对当前网络模型进行训练，所述当前网络模型为U-net网络；

获取训练后的所述当前网络模型中的各个层结构的权重变化量；

根据所述各个层结构的权重变化量变更所述当前网络模型的层结构；

利用所述样本数据对层结构变更后的所述当前网络模型进行训练，得到训练好的用于图像语义分割的网络模型；

其中，在所述当前网络模型不为初始网络模型时，根据所述各个层结构的权重变化量变更所述当前网络模型的层结构，包括：

根据所述各个层结构的权重变化量，选出权重变化量小于第二阈值的新增的层结构，得到目标新增层结构，其中，所述新增的层结构为在所述初始网络模型中新插入的层结构；

删除所述目标新增层结构，或者更换所述目标新增层结构。

2.根据权利要求1所述的方法，其特征在于，根据所述各个层结构的权重变化量变更所述当前网络模型的层结构，包括：

根据所述各个层结构的权重变化量，选出权重变化量大于第一阈值的目标层结构；

若所述目标层结构为中间层，在所述目标层结构的前面和/或后面插入预设层结构；

若所述目标层结构为第一层，在所述目标层结构的后面插入预设层结构；

若所述目标层结构为最后一层，在所述目标层结构的前面插入预设层结构。

3.根据权利要求2所述的方法，其特征在于，根据所述各个层结构的权重变化量，选出权重变化量大于第一阈值的目标层结构，包括：

根据所述各个层结构的权重变化量，选出权重变化量大于所述第一阈值的层结构；

确定选出的层结构中权重变化量值最大的层结构为所述目标层结构。

4.根据权利要求1所述的方法，其特征在于，根据所述各个层结构的权重变化量，选出权重变化量小于第二阈值的新增的层结构，得到目标新增层结构，包括：

根据所述各个层结构的权重变化量，选出权重变化量小于所述第二阈值的新增的层结构；

确定选出的新增的层结构中权重变化量值最小的层结构为所述目标新增层结构。

5.根据权利要求1-4中任一项所述的方法，其特征在于，在利用所述样本数据对层结构变更后的所述当前网络模型进行训练之后，所述方法还包括：

确定训练后的所述层结构变更后的所述当前网络模型满足预设条件；

从所有训练得到的网络模型中确定出最优网络模型。

6.根据权利要求1-4中任一项所述的方法，其特征在于，在利用所述样本数据对层结构变更后的所述当前网络模型进行训练之后，所述方法还包括：

确定训练后的所述层结构变更后的所述当前网络模型不满足预设条件；

获取训练后的所述层结构变更后的所述当前网络模型中的各个层结构的权重变化量；

根据所述层结构变更后的所述当前网络模型中的各个层结构的权重变化量变更所述层结构变更后的所述当前网络模型的层结构；

利用所述样本数据对层结构再次变更后的所述当前网络模型进行训练。